Verbundprojekt: Datensicherheit im Internet der Dinge - SunRISE -; Teilvorhaben: SunRISE - Erkennung von Angriffen auf Time-Sensitive Networks

Um eine umfassende Sicherheitslösung zu erhalten, adressiert SunRISE mehrere Schlüsselaspekte, die für zukünftige IoT-Systeme entscheidend sind. Der innovative Kern besteht in Mikroelektronik-Entwicklung für den Einsatz künstlicher Intelligenz in der Ausprägung von maschinellem Lernen in Kombination mit Privacy-enhancing-Technologien wie homomorpher Verschlüsselung. Die dadurch ermöglichte gemeinsame Nutzung von Security Intelligence-Daten von IoT Geräten bis hin zu Cloud-Backends führt zu einem größeren Datenbestand. Damit wird das maschinelle Lernen auf Ebene der Cloud und der Edge Nodes beschleunigt und die Gesamtsystemsicherheit steigt. Erkannte Sicherheitslücken oder laufende Angriffe werden schneller erkannt und die Zeit bis zur Behebung durch maschinell generierte Gegenmaßnahmen wird verkürzt. Die Gefahr des Verlustes vertraulicher Daten wird durch den Einsatz von Technologien zur Verbesserung der Privatsphäre, wie homomorpher Verschlüsselung entschärft. Time-Sensitive Networking (TSN) ist eine Reihe neuer IEEE-Standards für die Echtzeitkommunikation basierend auf dem Standard-Ethernet. Diese Standards werden den Bereich der Vernetzung und vor allem der industriellen Kommunikation erheblich verändern. An der TUM wurde ein TSN-Aufbau entwickelt und die Leistungsfähigkeit der neuen Technologie wurde anhand Mixed-Criticality-Anwendung aus dem Automotive demonstriert. Eine der größten Herausforderungen dabei ist die Security solcher Netzwerke, wenn sie mit dem Internet verbunden sind. Ohne Security-Lösungen in diesen Netzwerken können signifikante Safety-Probleme verursacht werden (z.B. falsche Steuerung und Auslösen des Airbags im Auto oder Störung der Synchronisierung bei kritischen Robotersystemen und Motoren mit möglichen Gefahren für die Menschen in der Umgebung). Im Teilvorhaben der TUM werden diese Sicherheitsrisiken analysiert und adäquate Lösungskonzepte entwickelt.